Gambar 2.2 Jaringan Saraf Buatan
Sedangkan tipe arsitektur jaringan saraf buatan ada tiga yaitu :
1. Jaringan dengan lapisan tunggal Single Lapisanr Net
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot yang terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi Gambar 2.3.
Gambar 2.3.
Jaringan Saraf
Buatan Lapisan
Tunggal Feedforward
2. Jaringan dengan lapisan banyak Multilapisanr Net
Pada tipe ini, diantara lapisan masukan dan keluaran terdapat satu atau lebih lapisan tersembunyi Gambar 2.4. Hubungan antar lapisan berlangsung satu
5
arah. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan tunggal.
Gambar 2.4. Jaringan Saraf Buatan
Lapisan Banyak
Feedforward
3. Reccurent Network
Tipe reccurent berbeda dengan kedua tipe sebelumnya. Pada reccurent, sedikitnya memiliki satu koneksi umpan balik feedback.
Gambar 2.5. Jaringan dengan lapisan kompetitif reccurent 2.2.2. Model-Model Pembelajaran
Menurut [10] model pembelajaran dibedakan menjadi tiga, yaitu :
1. Supervised Learning
6
Pada model pembelajaran ini, jaringan saraf buatan menggunakan variabel prediktor sebagai input yang akan dijadikan indikator untuk menerangkan
variabel target sebagai outputnya. Variabel-variabel prediktor tersebut disesuaikan dengan target output yang ingin dihasilkan. Tujuan model
supervised learning adalah untuk menentukan nilai bobot-bobot koneksi
didalam jaringan sehingga jaringan tersebut dapat melakukan pemetaan dari input
ke output sesuai dengan yang diinginkan. Jaringan perceptron, dan backpropagation
merupakan model-model dengan tipe supervised learning [8].
Tabel 2.1 Data
V
S
ar
e
i
d
ab
e
e
r
l
h
P
an
re
a
d
P
ik
e
t
n
or
genalan Huruf Alp
Contoh
Posisi horizontal
Posisi vertikal
Panjang box
Tinggi box
Jumlah pixel
habet
Variabel Target
1 2
8 3
5 1
T 2
5 12
3 7
2 I
3 4
11 6
8 6
D 4
7 11
6 6
3 N
5 2
1 3
1 1
G
Model pembelajaran supervised learning selalu memiliki satu kolom yang merupakan variabel target, pada contoh data sederhana pengenalan huruf
diatas variabel targetnya adalah huruf alphabet. Pada model pembelajaran ini tiap-tiap variabel memiliki suatu hubungan yang tidak saling bebas. Sebagai
contoh, Huruf T diprediksi berada dalam posisi horizontal yang dihitung dari sebelah kiri gambar dan huruf berada di tengah box pada titik koordinat 2
pixel, posisi vertikal dihitung dari bagian bawah pada box di titik koordinat 8 pixel, Sedangkan panjang box berada pada titik koordinat 3 pixel dan tinggi
7
box berada pada titik koordinat 5 pixel. Jika huruf alphabet berada dalam karakteristik variabel target maka dapat dikatakan huruf tersebut berhasil
dalam mengklasifikasikan huruf alphabet.
2. Unsupervised Learning
